전사적 RAG 시스템을 구축하기 위해 필요한 마지막 퍼즐 조각
RAG 시스템은 질문에 답하는 데는 탁월하지만, 그 질문에 따라 직접 조치를 취할 수는 없습니다.
영업 팀 담당자가 “기업 계약에 대한 표준 가격 정책은 무엇인가요?”라고 질문하면 즉시 정확한 정책 문서를 확인할 수 있습니다. 하지만 그들의 일은 이제 막 시작된 것입니다.
현재 직원들은 해당 문서를 열어 관련 요금제를 찾고, 세부 정보를 복사한 뒤, CRM으로 전환하여 견적서를 작성하고, 다른 tool에서 제안서 초안을 작성한 다음, 채팅을 통해 계정 팀에 알리야만 합니다.
AI의 ‘답변’은 그저 새로운, 여러 단계로 구성된 할 일 목록을 만들어냈을 뿐입니다. 인지적 부하는 사라지지 않았으며, 단지 ‘정보 찾기’에서 ‘다음 단계를 수동으로 실행하기’로 옮겨갔을 뿐입니다.
맥킨지(McKinsey)의 연구에 따르면, 조직의 87%가 AI 검색 시스템이 올바른 정보를 성공적으로 찾아낸다고 보고했습니다. 그러나 생산성이 측정 가능한 수준으로 향상되었다고 답한 조직은 31%에 불과합니다.
왜일까요? 실행이 수반되지 않은 정보 검색은 새로운 병목 현상을 야기하여, 사람이 AI가 생성한 답변을 수동으로 실행 단계로 전환해야 하기 때문입니다.
이 글에서는 대부분의 전사적 RAG 시스템이 기대에 부응하지 못하는 이유를 설명합니다. 또한 실행 계층을 추가함으로써 RAG가 수동적인 검색 도구에서 능동적인 업무 엔진으로 어떻게 변모하는지 보여줍니다.
RAG는 지식을 검색하지만, 실행은 인간의 개입에 의존합니다
RAG 시스템은 뛰어난 사서입니다. 지식 기반을 스프린트하며 적절한 문단을 찾아내어 사용자의 책상 위에 깔끔하게 올려놓습니다. 그런 다음 자리를 떠납니다.
이는 단순히 아키텍처적 한계 때문입니다. 검색 기능은 읽기 전용으로 설계되어 있습니다.
그러나 일은 읽기와 쓰기를 모두 포함합니다. 일에는 업데이트, 소유권 변경, 상태 변경, 알림, 의존성, 기록 및 후속 조치가 필요합니다. AI가 읽기는 할 수 있지만 쓰기는 할 수 없다면, 답변은 단순히 할당된 과제로 전락하고 맙니다.
이론적으로 정보 검색은 검색에 소요되는 시간을 줄여줍니다. 하지만 실제로는 그 시간이 종종 조정 업무에 소요되는 시간으로 재분배되곤 합니다. 팀원들은 정보를 찾아 헤매는 대신, 여러 시스템에 걸쳐 정보를 구조화된 일로 전환하는 데 에너지를 쏟게 됩니다.
바로 그 변환 계층에서 생산성 향상이 정체됩니다.

행동 격차의 숨겨진 메커니즘
AI 응답으로 인해 사람이 수동으로 후속 단계를 트리거해야 하는 순간, 다음과 같은 문제가 발생하게 됩니다:
- 애플리케이션 간 컨텍스트 전환
- 복사-붙여넣기 오류 및 버전 불일치
- 지연된 소유권 지정
- 일관성 없는 후속 조치
- 불완전한 감사 추적 기록
워크플로우에 통합되지 않은 답변은 무용지물입니다. 정보를 제공하기는 하지만 실행되지는 않습니다. 그리고 실행이야말로 비즈니스 가치가 실현되는 곳입니다.
서로 연결되지 않은 tools는 AI가 메울 수 없는 맥락의 단절을 초래합니다.
솔직히 말해볼까요? RAG 시스템의 지능은 접근할 수 있는 데이터의 수준에 따라 결정됩니다.
귀사의 RAG는 공식 지식베이스에 담긴 모든 정보를 파악하고 있을지 몰라도, 프로젝트의 실시간 상태, 팀의 현재 용량, 또는 채팅 채널에서 진행 중인 중요한 대화 내용에 대해서는 전혀 가시성이 없을 수 있습니다.
즉, AI는 사실적으로 정확한 답변을 제공할 수는 있지만, 참조하는 프로젝트가 이미 3주나 일정이 지연된 상태라는 사실을 알지 못하기 때문에 맥락상으로는 무용지물인 답변을 내놓을 수 있습니다.
일에 실시간 의사결정이 필요한 경우, 정적인 답변만으로는 한계가 있습니다.
대부분의 RAG 응답은 특정 시점의 스냅샷일 뿐, 살아 숨 쉬는 업무 환경을 반영한 것은 아닙니다. 이러한 응답은 과거 어느 시점에 인덱스된 정보를 바탕으로 생성됩니다.
월요일 아침에 프로젝트 타임라인이 업데이트되면, 금요일에 인덱스된 데이터를 기반으로 하는 RAG 시스템은 이미 오래된 정보를 바탕으로 작동하고 있는 셈입니다. 이 시스템이 제공하는 모든 지침은 구식 현실에 기반한 것입니다.
실제 일에는 실시간 상황 파악이 필수적이며, 정적인 검색 파이프라인은 워크플로우의 역동적인 특성에 맞춰 지침을 조정할 수 없어 바로 이 지점에서 한계에 부딪히게 됩니다.
📮 ClickUp 인사이트: 직원 4명 중 1명은 업무 맥락을 파악하기 위해만 4개 이상의 도구를 사용합니다. 중요한 세부 정보가 이메일에 묻혀 있거나, Slack 스레드에서 자세히 설명되어 있거나, 별도의 도구에 기록되어 있을 수 있어, 팀원들은 일을 처리하는 대신 정보를 찾는 데 시간을 낭비하게 됩니다.
ClickUp은 전체 워크플로우를 단일 플랫폼으로 통합합니다. ClickUp 이메일 프로젝트 관리, ClickUp 채팅, ClickUp 문서, ClickUp Brain 등의 기능을 통해 모든 것이 서로 연결되고, 동기화되며, 즉시 접근할 수 있습니다. “업무에 대한 업무”는 이제 그만두고, 생산적인 시간을 되찾으세요.
💫 실제 결과: 팀들은 구식 지식 관리 프로세스를 없애고 ClickUp을 활용함으로써 매주 5시간 이상을 절약할 수 있습니다. 이는 1인당 연간 250시간 이상에 해당합니다. 분기마다 생산성이 일주일 분량이나 늘어나면 팀이 어떤 성과를 낼 수 있을지 상상해 보세요!
📖 더 읽어보기: MCP vs. RAG vs. AI 에이전트: AI 분야의 선두주자는 누구인가?
RAG를 실행으로 전환하는 마지막 퍼즐 조각
더 나은 검색이 돌파구가 아니라면, 무엇이 돌파구일까요?
아니요, 더 큰 모델도, 더 영리한 프롬프트도 아닙니다. 더 넓은 컨텍스트 창조차도 아닙니다.
이 부족한 부분은 구조적인 것으로, 바로 실행 계층입니다. 이는 단순히 정보를 검색하고 응답하는 데 그치지 않고, 워크플로우 내에서 해당 정보를 바탕으로 자율적으로 직접 조치를 취하는 에이전트형 AI의 한 형태입니다.
이것이야말로 마침내 “아는 AI”와 “행하는 AI”를 연결해 주는 가교입니다. 🛠️
검색에서 실행까지
기존의 RAG는 뛰어난 연구원처럼 작동합니다.
이 레이어는 몇 초 만에 정확한 기업용 가격 정책을 표시하고, 관련 요금제를 강조 표시한 뒤 영업 팀에게 전달합니다. 기술적으로는 정확하지만, 운영 측면에서는 미흡합니다.
실행 계층은 결과를 변화시킵니다. 상담원이 여러 tools에서 해당 정보를 수동으로 변환해야 하는 대신, 에이전트 기반 RAG는 다음과 같은 기능을 수행할 수 있습니다:
- CRM 내에서 구조화된 견적서를 생성합니다.
- 적절한 가격을 반영하여 제안서를 작성하십시오.
- 법무 또는 재무 부서를 위한 후속 작업을 생성합니다.
- 전체 맥락을 첨부하여 계정 팀에 알리십시오.
답변은 더 이상 체크리스트가 아니라, 즉시 실행되는 실행 항목이 됩니다.
📖 더 읽어보기: AI 기업용 검색의 10가지 활용 사례
실제 워크플로우 내에 작업을 통합하기
AI가 측정 가능한 생산성 향상을 이끌어내려면, 일이 생성되고, 추적되며, 완료되는 바로 그 환경 내에서 작동해야 합니다.
지식과 실행이 분리되면, 사람이 그 연결 고리 역할을 하게 되어 시스템 간에 세부 정보를 복사하고, 수동으로 소유권을 지정하며, 직접 트리거를 실행해야 합니다.
실행 계층은 이러한 변환의 부담을 없애줍니다. RAG 시스템에서 도출된 근거 있는 지식은 AI 에이전트가 팀이 이미 사용하고 있는 도구 내에서 즉시 기록을 업데이트하고, 작업을 생성하며, 워크플로우를 트리거하고, 문서를 생성하며, 의사소통을 조율하는 데 도움이 됩니다. 통찰력을 실행으로 전환하기 위해 작업을 중단할 필요 없이, 통찰력이 도출된 바로 그 자리에서 실행이 이루어집니다.
본질적으로, 워크플로우가 단편적으로 분산되는 것이 아니라 연속적으로 이루어지게 됩니다.
수동적 RAG에서 능동적 RAG로
수동형 RAG의 기능은 초고성능 검색 엔진처럼 작동합니다.
이는 검색률을 높이고 정보 탐색 속도를 향상시키지만, 서로 연결되지 않은 시스템 전반에 걸쳐 그 답변을 실제 업무에 적용하는 과정은 여전히 사람의 개입에 의존합니다.
Agentic RAG는 마치 디지털 팀원처럼 작동합니다.
이 레이어는 맥락을 파악하고, 적절한 후속 조치를 판단한 뒤, 실제 업무 환경 내에서 이를 실행합니다. 언뜻 보기에는 미묘한 변화처럼 보이지만, 실제로는 혁신적인 변화를 가져옵니다. 정보 검색은 사고 시간을 줄여주고, 실행은 협업 시간을 단축시킵니다.
대부분의 팀은 정보 검색 계층, 임베딩, 검색 정확도에만 지나치게 집착합니다. 하지만 진정한 병목 현상은 지식을 끌어내는 데 있는 것이 아닙니다. 깨끗하고 활용 가능한 지식을 확보하는 데 있습니다.
바로 이 지점에서 ClickUp Brain MAX와 Talk to Text 가 그 누락된 계층의 역할을 수행합니다.
나중에 요약문을 직접 입력하거나 누군가가 “제대로 문서화해 주기를” 기대하는 대신, 팀원들은 결정 사항, 최신 정보, 통찰력을 ClickUp에 직접 음성으로 입력할 수 있습니다. Brain MAX는 음성을 실시간으로 구조화된 작업, 문서, 댓글 및 업데이트로 변환합니다.
그 결과는 단순히 검색 성능의 향상에 그치지 않습니다. 이는 사후 문서화가 아닌 실제 실행을 바탕으로 구축된, 살아 숨 쉬며 지속적으로 풍부해지는 지식 그래프입니다.
ClickUp 슈퍼 에이전트가 RAG를 현실로 구현하는 방법
실행 계층을 처음부터 구축하는 것은 이론적으로는 훌륭해 보입니다.
실무적으로 이는 API를 연동하고, 권한을 관리하며, 통합을 유지하고, 메모리 및 저장소를 처리하는 것은 물론, 애초에 상호 연동을 염두에 두고 설계되지 않은 시스템들 간에 오케스트레이션 로직을 구축하는 것을 의미합니다.
대부분의 팀은 수동적인 정보 검색에 머물러 있거나, 분산된 tools들 위에 자체적인 맞춤형 에이전트 프레임워크를 구축하려고 시도합니다. ClickUp은 이러한 양자택일의 딜레마를 해소합니다 .
ClickUp은 서로 연결되지 않은 인프라 위에 에이전트를 층층이 쌓는 대신, 작업, 문서, 채팅, 대시보드, 자동화 기능이 이미 동일한 데이터 모델을 공유하는 통합 AI 작업 공간 내에 에이전트를 직접 내장합니다.
여기서 검색과 실행은 별개의 시스템이 아닙니다. 둘은 동일한 환경 내에서 작동합니다. 내장된 AI 어시스턴트인 ClickUp Brain은 실증 기반 지식 계층의 역할을 하며, ClickUp Super Agents는 실행 계층의 역할을 수행합니다.
이 두 요소가 결합되면 RAG는 단순한 검색 인프라에서 실시간 운영 엔진으로 탈바꿈합니다.
무분별한 검색이 아닌, 범위 지정된 지식
슈퍼 에이전트는 모호한 맥락에서 작동하지 않습니다. 관리자는 ‘지식(Knowledge)’ 및 ‘메모리(Memory)’ 설정 내에서 각 에이전트가 접근할 수 있는 항목을 명시적으로 제어합니다.
에이전트에게는 스페이스, 폴더, 목록, 작업 또는 채팅 수준에서 접근 권한을 부여할 수 있습니다. 공개 영역은 기본적으로 이용 가능하지만, 비공개 위치는 의도적으로 포함시켜야 하며, 민감한 데이터가 노출될 경우 이를 명확하게 가시성 있게 파악할 수 있습니다.
에이전트는 내부 작업 공간 데이터뿐만 아니라 Confluence, GitHub, Gmail, Slack, Microsoft SharePoint, 클라우드 스토리지 플랫폼과 같은 외부 시스템에도 연결할 수 있습니다. 또한 웹 검색 기능을 활성화할 수 있으며, 신뢰할 수 있는 제품 안내를 위해 ClickUp 헬프 센터에 액세스할 수도 있습니다.
이는 검색이 단순히 광범위하게 이루어지는 것이 아니라, 권한을 고려하고 체계적으로 이루어진다는 것을 의미합니다.
에이전트는 Dropbox에서 작업 명세서를 불러와 내부 프로젝트 맥락과 결합한 뒤, 사용자가 작업 공간을 떠나지 않아도 되는 상태에서 이를 작업 항목 내에 반환할 수 있습니다. 정보의 출처가 분산되어 있더라도, 지식은 사용자 경험 내에서 중앙 집중화됩니다.
시간이 지남에 따라 적응하는 메모리
기존의 RAG 시스템은 상태 비저장형으로, 정보를 검색한 후에는 이를 잊어버립니다.
슈퍼 에이전트에는 통제력을 저해하지 않으면서도 행동의 연속성을 보장하는 관리형 메모리 계층이 포함되어 있습니다.
최근 기록 기능을 통해 슈퍼 에이전트는 과거의 상호작용 및 행동 내역을 참조할 수 있습니다. 이 기능이 활성화되면 에이전트는 이전에 처리했던 업무를 상기하고, 해당 맥락을 활용하여 향후 응답을 구성할 수 있습니다.
사용자는 기본 설정을 통해 에이전트의 응답 모양을 결정하는 지속적인 행동 지침을 정의할 수 있습니다. 이러한 기본 설정은 에이전트의 메모리에 저장되어 이후 상호작용 시 자동으로 적용되며, 어조, 구조 또는 형식에 영향을 미칩니다.
또한 ‘인텔리전스’ 기능을 통해 에이전트는 향후 사용을 위해 중요한 맥락 정보를 수집하고 저장할 수 있습니다. 여기에는 민감한 정보가 포함될 수 있으므로, 인텔리전스 기능은 기본적으로 비활성화되어 있으며 명시적으로 활성화해야 합니다. 인텔리전스 정보가 저장되는 방식과 시기는 에이전트의 구성 지침에 따라 결정되며, 이를 통해 정의된 매개변수 내에서 메모리가 체계적으로 구성되고 관리되도록 보장합니다.
또한, 메모리 캡처 기능은 구성 가능합니다. 관리자는 인텔리전스를 저장하는 방식과 시기를 정의할 수 있습니다. 민감한 메모리 유형의 경우 활성화 전에 확인 절차가 필요합니다.
이를 통해 에이전트는 일회성 대응자에서, 정의된 범위 내에서 상황에 맞춰 적응하는 협업자로 변모합니다.
워크플로우에 직접 내장된 실행 기능
실행이 따르지 않는 검색은 ‘행동 격차’를 초래합니다. 슈퍼 에이전트가 이 격차를 해소합니다.
슈퍼 에이전트는 작업, 문서, 자동화 기능이 함께 있는 동일한 작업 공간 내에서 작동하기 때문에, 지식을 즉시 활용할 수 있습니다.
단 하나의 프롬프트만으로도 미리 채워진 작업 항목, 연결된 크리에이티브 브리프, 소유자 배정, 체계적인 타임라인이 포함된 완전한 프로젝트 골격을 생성할 수 있습니다. 차단된 작업은 우선순위 재조정 로직을 작동시키고, 이해관계자에게 알림을 보내며, 의존성을 동적으로 조정할 수 있습니다. 회의 노트는 할당된 실행 항목으로 전환될 수 있습니다. 실시간 작업 데이터를 바탕으로 경영진 보고서를 생성할 수 있습니다. 첨부 파일은 구조화된 세부 항목으로 변환될 수 있습니다.
에이전트는 정보를 사람에게 다시 전달하여 운영화하도록 하는 대신, 기록 시스템에 직접 업데이트합니다.

모든 기능에 걸친 역할 기반 에이전트
기억해야 할 중요한 점은 무엇일까요? 슈퍼 에이전트는 단일 워크플로우에만 한도가 없습니다.
이 레이어는 프로젝트 관리, 마케팅 콘텐츠 제작, 영업 데모, 요청 분류, 채용 조정, 경영진 보고, 리스크 모니터링, 일정 관리, 이메일 관리, SEO 조사 등 다양한 용도에 맞게 구성할 수 있습니다.
예를 들어:
- 웹 리서치 에이전트는 심층적인 인터넷 분석을 수행하고, 구조화된 시장 보고서를 DM으로 직접 전달할 수 있습니다.
- 프로젝트 리스크 담당자는 작업 상태를 모니터링하고 새롭게 발생하는 병목 현상을 표시할 수 있습니다.
- 채용 담당자 에이전트는 사전 심사 전화 내용을 자동으로 요약하고 면접 브리핑 자료를 준비할 수 있습니다.
실제 작동 모습을 여기에서 확인해 보세요:
사람과 AI가 공유하는 맥락을 갖춘 단일 작업 공간
분산된 tools는 맥락을 단편화시켜, 아무리 진보된 RAG 시스템이라 할지라도 부분적인 진실만을 제공하게 만듭니다.
ClickUp은 작업, 문서, 채팅, 대시보드, AI를 하나의 통합된 권한 관리 환경으로 통합함으로써 이러한 구조적 한계를 해소합니다. 사람과 에이전트가 동일한 작업 공간 계층 구조 내에서 활동하기 때문에, 에이전트는 댓글을 읽고, 의존성을 파악하며, 상태 변화를 관찰하고, 실시간 상황을 파악한 상태에서 조치를 취할 수 있습니다.
이것이 바로 RAG를 수동적인 검색 tool에서 일을 진전시키는 시스템으로 전환시키는 요소입니다:
- 검색은 질문에 답을 제공합니다
- 실행이 프로젝트를 추진합니다
- 기억은 연속성을 유지합니다
- 규제된 접근 권한을 통해 통제력을 확보합니다
이러한 계층들이 단일 작업 공간 내에서 공존할 때, AI는 단순한 정보 보조 도구의 역할을 넘어 실질적인 업무 파트너로 거듭납니다.
기업 RAG 솔루션에서 확인해야 할 사항
RAG 시스템을 구축하거나 업그레이드할 때는 단순히 문서를 찾는 능력뿐만 아니라, 그 이상의 측면에서 솔루션을 평가해야 합니다.
성공적인 기업 RAG 애플리케이션은 단순한 검색 창이 아닌 실행 엔진입니다. 실질적인 운영 가치를 제공하는 솔루션을 선택하기 위해 고려해야 할 키 기준은 다음과 같습니다.
- 품질 기반: 시스템이 프로젝트 계획, 작업 코멘트, 내부 wiki 등 실제 기업 데이터에서 정보를 검색하는가, 아니면 일반적인 지식에 의존하는가? RAG 데이터베이스는 조직 고유의 지식 관리 시스템을 반영해야 합니다.
- 실행 능력: AI가 제공한 답변을 바탕으로 직접 조치를 취할 수 있는가, 아니면 단순히 답변만 제시하는가? 이것이 단순히 정보를 제공하는 AI와 업무 수행에 직접 참여하는 AI 사이의 근본적인 차이점입니다.
- 컨텍스트의 폭: AI가 작업, 문서, 목표, 대화 등 모든 일 전반을 파악하고 있는지, 아니면 데이터 사일로로 인해 보기가 제한되어 있는지? 데이터 소스가 사일로화될수록 RAG의 유용성은 떨어집니다.
- 실시간 인식: 시스템이 실시간 데이터를 기반으로 작동하는가, 아니면 캐시된 스냅샷을 기반으로 작동하는가? 오래된 맥락을 바탕으로 한 지침은 도움이 되지 않을 뿐만 아니라 오히려 역효과를 낳는다.
- 인간-AI 워크플로우: 해당 솔루션이 사람과 AI 간의 원활한 협업을 지원하는지, 아니면 여전히 인간의 판단이 필요한 프로세스를 완전히 자동화하려고 시도하는지 확인해야 합니다. 목표는 미묘한 판단이 필요한 의사결정을 완전히 대체하는 것이 아니라, 항상 인간 중심의 AI를 구현하는 것이어야 합니다.
다음 질문들을 통해 데모에서는 인상적으로 보이지만, 실제로는 팀의 일 방식을 혁신적으로 변화시킬 수 있는 RAG 구현 방안을 가려낼 수 있습니다.
ClickUp으로 지식을 실무에 활용하세요
전사적 RAG 시스템은 강력한 첫 단계이지만, 문제의 절반만 해결할 뿐입니다. 검색만으로는 업무 수행 방식이 바뀌지 않습니다. 진정한 생산성을 이끌어내는 핵심 요소, 즉 빠진 퍼즐 조각은 바로 실행 계층입니다. 실제 일상 워크플로우 속에서 근거 있는 지식을 바탕으로 자율적인 행동으로 전환할 수 있는 AI 에이전트가 필요합니다. ✨
이는 “답변만 제공하는 AI”에서 “실행하는 AI”로의 중대한 전환입니다. 궁극적인 값은 정보 검색 능력이 약간 향상되는 데 있는 것이 아니라, 팀의 일에 적극적으로 참여하는 AI를 갖추는 데 있습니다.
오늘날 이 격차를 성공적으로 해소하는 조직은 AI 역량이 지속적으로 확장됨에 따라 누적되는 경쟁 우위를 확보하게 될 것입니다. 이들은 RAG 시스템을 수동적인 자료 저장소에서 능동적이고 지능적인 업무 엔진으로 탈바꿈시킬 것입니다.
ClickUp을 통해 RAG 시스템을 수동적인 검색 도구에서 능동적인 업무 엔진으로 탈바꿈시켜 보세요. 에서 무료로 시작하고, 여러분의 업무 방식을 정확히 파악하는 AI 에이전트의 강력한 성능을 직접 경험해 보세요!
자주 묻는 질문
RAG 시스템이 실질적인 가치를 제공하지 못하게 하는 주요 한계는 무엇일까요?
대부분의 RAG 시스템은 정보 검색에는 탁월하지만, 실제 조치를 취할 수는 없습니다. 이러한 시스템은 워크플로우 변화에 대한 실시간 인지 능력이 부족하며, 연결된 데이터 사일로로 인해 한도가 있습니다. 이로 인해 답변과 결과 사이의 간극을 사람이 수동으로 메워야만 합니다.
RAG AI 에이전트는 기본적인 RAG 검색과 어떻게 다른가요?
기본적인 RAG는 정보를 검색하여 응답합니다. RAG AI 에이전트는 한 걸음 더 나아가, 정보를 검색하고 추론한 뒤, 그 근거 있는 지식을 바탕으로 프로젝트 업데이트, 워크플로우 실행, 업무 조정과 같은 작업을 자율적으로 수행합니다.
데이터가 여러 도구에 흩어져 있는 상황에서 전사적 RAG 시스템이 제대로 작동할 수 있을까요?
RAG 시스템은 흩어져 있는 도구들에서 정보를 검색할 수는 있지만, 맥락의 단절과 데이터 사일로로 인해 그 효과는 크게 제한됩니다. 그렇기 때문에 데이터와 워크플로우를 통합하는 통합 작업 공간이 항상 더 강력하고 신뢰할 수 있는 결과를 제공할 것입니다.